提升SAM的跨域性能,多级特征融合在少样本分割中的应用 !

文章预览

点击下方卡片，关注 「AI视界引擎」 公众号 欢迎投稿和交流 ( 添加时备注：方向+学校/公司+昵称/姓名 ) 提升SAM的跨域性能,多级特征融合在少样本分割中的应用 ! 在大规模预训练的背景下，大视觉模型（LVM）在图像理解方面展示了巨大的潜力。最近，Segment Anything Model（SAM）的出现使得图像分割领域实现了质的飞跃，支持了灵活的交互提示和强大的学习能力。 然而，其性能往往在跨域和少样本应用中陷入不足。将基础模型的先验知识传递到新应用，同时保持学习能力是一项有价值的研究。本文提出了一种基于SAM的任务适应性提示框架，名为跨域少样本分割（CD-FSS）。 首先，使用多级特征融合（MFF）进行集成特征提取。此外，与分割分支相结合的额外分类域任务适应性自动提示（CDTAP）模块进行了分类域无关的特征提取和高质量可学习提示的生成。 ………………………………